Unintended pregnancy and gender inequality worldwide: an ecological analysis
Notice bibliographique
Résumé
Unintended pregnancy compromises many women's and girls' ability to pursue the lives that they want. The conditional unintended pregnancy rate (CUPR) is a measure of unintended pregnancy among women who wish to avoid getting pregnant. Using the CUPR, we explore the relationship between gender inequality and unintended pregnancy across 132 countries. We used gender inequality indicators from the UNDP Human Development Report and estimates of the incidence of unintended pregnancy published by the Guttmacher Institute and WHO. We regressed the CUPR on several measures of gender inequality using least squares with a percentile bootstrap to account for sampling error and the additional uncertainty in the model-based unintended pregnancy estimates. We find that unintended pregnancy is positively correlated with multiple composite measures of gender inequality, even after controlling for countries' levels of economic development. Of the components of gender inequality, gender disparities in educational attainment were most strongly correlated with unintended pregnancy in multivariable regressions. We also find that female educational attainment is a stronger predictor of the CUPR than male educational attainment. Analyses with the standard unintended pregnancy rate, a measure that does not take into account differences across settings in the proportion of women who wish to avoid getting pregnant, obscured the strength of the observed relationships. Further exploration of the factors underlying this relationship can inform policies to improve the quality of women's lives.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».